基于麻雀搜索算法优化的lssvm回归预测
基于麻雀搜索算法优化的lssvm回归预测 - 附代码
摘要:为了提高最小二乘支持向量机(lssvm)的回归预测准确率,对lssvm中的惩罚参数和核惩罚参数利用麻雀搜索算法进行优化。
1.数据集
数据信息如下:
data.mat 的中包含input数据和output数据
其中input数据维度为:2000*2
其中output数据维度为2000*1
所以RF模型的数据输入维度为2;输出维度为1。
2.lssvm模型
lssvm请自行参考相关机器学习书籍。
3.基于麻雀算法优化的LSSVM
麻雀搜索算法的具体原理参考博客:https://blog.csdn.net/u011835903/article/details/108830958。
麻雀算法的优化参数为惩罚参数和核惩罚参数。适应度函数为RF对训练集和测试集的均方误差(MSE),均方误差MSE越低越好。
f
i
n
t
e
n
e
s
s
=
M
S
E
[
p
r
e
d
i
c
t
(
t
r
a
i
n
)
]
+
M
S
E
[
p
r
e
d
i
c
t
(
t
e
s
t
)
]
finteness = MSE[predict(train)] + MSE[predict(test)]
finteness=MSE[predict(train)]+MSE[predict(test)]
4.测试结果
数据划分信息如下: 训练集数量为1900组,测试集数量为100组
麻雀参数设置如下:
%% 利用麻雀搜索算法选择回归预测分析最佳的SVM参数c&g
%% 麻雀参数设置
% 定义优化参数的个数,在该场景中,优化参数的个数dim为2 。
% 定义优化参数的上下限,如c的范围是[0.01, 1], g的范围是[2^-5, 2^5],那么参数的下限lb=[0.01, 2^-5];参数的上限ub=[1, 2^5]。
%目标函数
fobj = @(x) fun(x,Pn_train,Tn_train,Pn_test,Tn_test);
% 优化参数的个数 (c、g)
dim = 2;
% 优化参数的取值下限
lb = [0.01,0.01];
ub = [5,5];
% 参数设置
pop =20; %麻雀数量
Max_iteration=5;%最大迭代次数
%% 优化(这里主要调用函数)
[Best_pos,Best_score,curve]=SSA(pop,Max_iteration,lb,ub,dim,fobj);
SSA-LSSVM优化得到的最优参数为:
SSA-LSSVM优化得到的gama为:4.8418
SSA-LSSVM优化得到的sig2为:0.14148
SSA-LSSVM结果:
SSA-LSSVM训练集MSE:0.049326
SSA-LSSVM测试集MSE:0.030764
LSSVM结果:
LSSVM训练集MSE:0.16445
LSSVM测试集MSE:0.12109
从MSE结果来看,经过改进后的SSA-LSSVM明显优于未改进前的结果。
5.Matlab代码
相关文章
- 基于LSTM-CNN的人体活动识别
- 基于预训练模型的金融事件分析及应用
- 8051和8052_基于单片机多用途定时器的设计
- 基于深度学习的车辆检测系统(MATLAB代码,含GUI界面)
- Django基于用户画像的电影推荐系统源码
- 基于局部直方图相关算法的近似优化和提速。
- 基于深度学习和传统打分函数的配体构象优化框架
- 口播神器,基于Edge,微软TTS(text-to-speech)文字转语音免费开源库edge-tts语音合成实践(Python3.10)
- 数据库实施Oracle数据库成本优化措施(基于成本优化oracle)
- dca基于Oracle PDCA模型的优化实践(oraclep)
- 基于BuildKit优化Dockerfile的构建
- 基于PHP和MSSQL 的网站用户注册系统(php mssql 注册)
- 微博之旅基于Redis优化的架构(微博和redis架构)
- 性能优化基于Oracle的几百万数据性能优化策略(oracle几百万数据)
- 基于asp oracle的源码可视化开发如何实现(asp oracle源码)
- 基于DG在线的Oracle架构优化实践(dg 在线 oracle)
- 构建TP5项目基于Redis扩展的优化(tp5 redis 扩展)
- 系统基于Redis的文章投票系统构建一个智能化的网络投票平台(基于redis的文章投票)
- 基于Redis的SSO实现研究 (基于redis实现sso)
- 基于Redis镜像的构建方法(redis镜像构建)
- 提升性能基于Redis的多连接优化(redis连接增多)
- 基于Redis的路由算法优化实现(redis路由算法)
- 基于Oracle PDM系统的企业信息资源优化(oracle pdm系统)
- 清华大学舒继武教授:基于非易失存储器的存储系统软件层优化 | CCF-ADL 火热报名中
- Highslide.js是一款基于js实现的网页中图片展示插件
- jquery.Jwin.js基于jquery的弹出层插件代码
- 基于java中子类的继承性的应用介绍